# BrushNet – 腾讯推出的高质量图像照片修复模型

- Link: https://paooo.com/aigc-news/28054/
- Published: 2026-07-09T15:41:14+08:00
- Author: 站外新闻

## BrushNet是什么

BrushNet是由腾讯PCG部门的ARC实验室与香港大学的研究人员推出的一个基于扩散模型的即
插即用的图像照片修复（Inpainting）模型，通过分解的双分支架构来有效处理图像中的遮罩
区域。该模型的一个分支专注于提取遮罩图像的像素级特征，而另一个分支则负责图像的生成。
这种设计使得BrushNet能够将关键的遮罩信息以分层的方式精细地融入到修复过程中，从而
在保持原有图像内容连贯性的同时，生成高质量的修复结果。

阅读目录

 * [BrushNet是什么](https://paooo.com/aigc-news/28054/#brushnet%e6%98%af%e4%bb%80%e4%b9%88)
 * [BrushNet的官网入口](https://paooo.com/aigc-news/28054/#brushnet%e7%9a%84%e5%ae%98%e7%bd%91%e5%85%a5%e5%8f%a3)
 * [BrushNet的功能特性](https://paooo.com/aigc-news/28054/#brushnet%e7%9a%84%e5%8a%9f%e8%83%bd%e7%89%b9%e6%80%a7)
 * [BrushNet的工作原理](https://paooo.com/aigc-news/28054/#brushnet%e7%9a%84%e5%b7%a5%e4%bd%9c%e5%8e%9f%e7%90%86)

![BrushNet](https://paooo.com/wp-content/uploads/2026/07/brushnet-model-1.avif)

与以前的图像修复方法相比（如Blended Latent Diffusion、[Stable Diffusion](https://paooo.com/tag/stable-diffusion/)
Inpainting、HD-Painter、PowerPaint等），BrushNet的图像还原修复能力无论是在风格、
内容，还是颜色和提示对齐等方面都表现出了优越的连贯性。

## BrushNet的官网入口

 * 官方项目主页：[https://tencentarc.github.io/BrushNet/](https://tencentarc.github.io/BrushNet/)
 * GitHub代码库：[https://github.com/TencentARC/BrushNet](https://github.com/TencentARC/BrushNet)
 * arXiv研究论文：[https://arxiv.org/abs/2403.06976](https://arxiv.org/abs/2403.06976)

## BrushNet的功能特性

 * **修复不同类型的图像**：BrushNet可修复不同场景的图像，如人类、动物、室内和室外
   场景，还可以修复不同风格的图像，如自然图像、铅笔画、动漫、插图、水彩等。
 * **像素级修复**：BrushNet能够识别和处理图像中的遮罩区域，对每个像素进行精确的修复，
   确保修复区域与原始图像在视觉上的无缝对接。
 * **保留未遮罩区域**：通过分层控制和特定的模糊融合策略，BrushNet能够在修复过程中
   保留未被遮罩的区域，避免对原始图像内容的不必要改动。
 * **与预训练模型的兼容性**：作为一个即插即用的模型，BrushNet可以与各种预训练的扩散
   模型（如DreamShaper、epiCRealism、MeinaMix等）结合，利用这些模型的强大生成能力
   来完成修复任务。
 * **灵活性和控制性**：用户可以通过调整模型的参数来控制修复的规模和细节，包括修复
   区域的大小和修复内容的详细程度。

![BrushNet比较](https://paooo.com/wp-content/uploads/2026/07/brushnet-comparisons.
avif)

## BrushNet的工作原理

BrushNet 基于扩散模型通过一个创新的双分支架构来执行图像修复任务。

![BrushNet的工作原理](https://paooo.com/wp-content/uploads/2026/07/brushnet-methods.
avif)

以下是BrushNet工作原理的简要概述：

 1. **双分支架构**：BrushNet的核心是一个分解的双分支架构，其中一个分支专注于处理遮罩
    图像的特征，而另一个分支负责生成图像的其余部分。
 2. **遮罩图像特征提取**：在遮罩分支中，模型使用变分自编码器（VAE）对遮罩图像进行编码，
    以提取其潜在特征。这些特征随后被用来指导图像的修复过程。
 3. **预训练扩散模型**：在生成分支中，模型利用预训练的扩散模型来生成图像内容。这个模型
    已经学会了如何从噪声中恢复出清晰的图像。
 4. **特征融合**：提取的遮罩图像特征被逐步融合到预训练的扩散模型中，这样可以通过层级
    的方式细致地控制修复过程。
 5. **去噪和生成**：在反向扩散过程中，模型通过迭代去噪步骤，逐步从噪声中恢复出清晰的
    图像。每一步都会考虑遮罩图像的特征，以确保修复区域与原始图像的其余部分在视觉上保持
    一致。
 6. **模糊融合策略**：为了更好地保留未遮罩区域的细节，BrushNet采用了模糊融合策略。这
    意味着在融合遮罩区域和生成区域时，会使用模糊的遮罩来减少硬边缘和不自然的过渡。
 7. **输出修复图像**：最终，模型输出一个修复后的图像，其中遮罩区域被自然而连贯地填充，
    同时未遮罩区域的原始内容得到保留。

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,000+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[⚡ AIGC 早报生成器](https://paooo.com/mtool/)